JP2016146046A - 予測装置、予測方法及びプログラム - Google Patents
予測装置、予測方法及びプログラム Download PDFInfo
- Publication number
- JP2016146046A JP2016146046A JP2015022369A JP2015022369A JP2016146046A JP 2016146046 A JP2016146046 A JP 2016146046A JP 2015022369 A JP2015022369 A JP 2015022369A JP 2015022369 A JP2015022369 A JP 2015022369A JP 2016146046 A JP2016146046 A JP 2016146046A
- Authority
- JP
- Japan
- Prior art keywords
- information
- phenomenon
- model
- prediction
- acquisition unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 44
- 241000700605 Viruses Species 0.000 claims abstract description 32
- 241001465754 Metazoa Species 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 60
- 244000005700 microbiome Species 0.000 claims description 31
- 241000196324 Embryophyta Species 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 24
- 230000000295 complement effect Effects 0.000 claims description 11
- 230000010365 information processing Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 description 33
- 238000005259 measurement Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 19
- 238000003306 harvesting Methods 0.000 description 17
- 241000208822 Lactuca Species 0.000 description 16
- 235000003228 Lactuca sativa Nutrition 0.000 description 16
- 238000000491 multivariate analysis Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 239000013589 supplement Substances 0.000 description 7
- 238000009395 breeding Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 239000001963 growth medium Substances 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002609 medium Substances 0.000 description 4
- 240000007124 Brassica oleracea Species 0.000 description 3
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 3
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 3
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000034303 cell budding Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 239000002054 inoculum Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】予測精度を向上させる。【解決手段】ウイルス、微生物又は動植物の生育状況を目的変数とし、生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルに基づいて、生育状況を予測する予測部を備える。カーネル関数は、正定値関数及びシグモイドカーネルの少なくとも一方を含んでよい。正定値関数は、ガウスカーネル、多項式カーネル及び生成モデルカーネルからなる群から選択された少なくとも1つの関数を含んでよい。【選択図】図1
Description
本発明は、予測装置、予測方法及びプログラムに関する。
多変量解析などの解析手法を用いた予測装置が知られている(例えば、特許文献1〜3を参照。)。
[先行技術文献]
[特許文献]
特許文献1 特開2013−143031号公報
特許文献2 特許第5602283号明細書
特許文献3 特許第4159890号明細書
[先行技術文献]
[特許文献]
特許文献1 特開2013−143031号公報
特許文献2 特許第5602283号明細書
特許文献3 特許第4159890号明細書
ウイルス、微生物又は動植物を育成する場合、当該現象に寄与する因子が多岐にわたり、また、育成者による作業内容などの情報が得られにくい。そのため、多変量解析を用いても、上記の生育状況を精度よく予測することが難しい。
本発明の第1の態様においては、予測装置が提供される。上記の予測装置は、ウイルス、微生物又は動植物の生育状況を目的変数とし、生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルに基づいて、生育状況を予測する予測部を備える。
上記の予測装置において、カーネル関数は、正定値関数及びシグモイドカーネルの少なくとも一方を含んでよい。上記の予測装置において、正定値関数は、ガウスカーネル、多項式カーネル及び生成モデルカーネルからなる群から選択された少なくとも1つの関数を含んでよい。上記の予測装置において、カーネル関数は、複数の説明関数を有してよい。上記の予測装置において、カーネル関数は、正則化項を含んでよい。
上記の予測装置は、生育状況に関する実績情報を取得する現象情報取得部を備えてよい。上記の予測装置は、現象情報取得部が取得した生育状況に関する実績情報に対応する、1種類以上の因子の少なくとも1つに関する実績情報を取得する因子情報取得部を備えてよい。上記の予測装置は、カーネル関数の説明変数に対応する因子の将来の予定に関する予定情報を取得する予定情報取得部を備えてよい。上記の予測装置において、予測部は、モデルに、現象情報取得部及び因子情報取得部が取得した実績情報、並びに、予定情報取得部が取得した予定情報を入力することにより、生育状況を予測してよい。
上記の予測装置は、現象情報取得部及び因子情報取得部が取得した実績情報に基づいて、モデルを生成するモデル生成部を備えてよい。上記の予測装置において、モデル生成部は、現象情報取得部及び因子情報取得部が取得した実績情報の少なくとも一部を学習データとして、カーネル関数の1以上のパラメータのそれぞれを決定するパラメータ決定部を有してよい。上記の予測装置は、カーネル関数を用いた1以上のモデルを格納するモデル格納部を備えてよい。上記の予測装置において、パラメータ決定部は、現象情報取得部及び因子情報取得部が取得した実績情報の少なくとも一部を学習データとして、1以上のモデルのそれぞれについて、カーネル関数の1以上のパラメータのそれぞれを決定してよい。
上記の予測装置において、モデル生成部は、パラメータ決定部が決定した1以上のパラメータを用いた場合の予測精度に基づいて、予測部において利用されるモデルを決定するモデル決定部をさらに有してよい。上記の予測装置は、因子情報取得部が取得した実績情報に、現象情報取得部が取得した特定の現象の実績情報に対応する特定の因子に関する実績情報が含まれていない場合、現象情報取得部が取得した他の現象に寄与する特定の因子に関する実績情報に基づいて、特定の現象の実績情報に対応する特定の因子に関する実績情報を補完する補完部をさらに備えてよい。
本発明の第2の態様においては、予測方法が提供される。上記の予測方法は、ウイルス、微生物又は動植物の生育状況を目的変数とし、前記生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルに基づいて、前記生育状況を予測する予測段階を有する。上記の予測方法の各段階の動作の主体は、コンピュータであってよい。
本発明の第3の態様においては、コンピュータを、上記の予測装置として機能させるためのプログラムが提供される。コンピュータに、上記の予測方法を実行させるためのプログラムが提供されてもよい。プログラムを記憶するコンピュータ読み取り可能な媒体であって、当該プログラムは、コンピュータにおいて当該プログラムが実行された場合に、コンピュータを上記の予測装置として機能させるコンピュータ読み取り可能な媒体が提供されてもよい。プログラムを記憶するコンピュータ読み取り可能な媒体であって、当該プログラムは、コンピュータにおいて当該プログラムが実行された場合に、コンピュータに上記の予測方法を実行させるコンピュータ読み取り可能な媒体が提供されてもよい。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図1は、予測システム100のシステム構成の一例を概略的に示す。予測システム100は、センサ102と、ユーザ端末104と、情報提供サーバ110とを備える。本実施形態において、情報提供サーバ110は、取得部122と、情報格納部124と、補完部126と、モデル格納部132と、モデル生成部134と、予測部142とを備える。情報提供サーバ110の各要素は、互いに情報を送受してよい。
予測システム100及び情報提供サーバ110は、予測装置の一例であってよい。センサ102、ユーザ端末104及び取得部122の少なくとも1つは、因子情報取得部、現象情報取得部、及び、予定情報取得部の少なくとも1つの一例であってよい。センサ102に測定結果は、特定の現象の実績情報に対応する、当該特定の現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報の一例であってよい。
本実施形態において、センサ102及びユーザ端末104と、情報提供サーバ110とは通信回線10を介して情報を送受する。通信回線10は、有線通信の伝送路であってもよく、無線通信の伝送路であってもよく、無線通信の伝送路及び有線通信の伝送路の組み合わせであってもよい。通信回線10は、携帯電話回線網などの移動体通信網、無線パケット通信網、インターネッ及び専用回線又はそれらの組み合わせであってもよい。
本実施形態において、予測システム100は、特定の現象の過去の実績情報と、当該現象に寄与する因子の過去の実績情報と、当該現象のモデルとを用いて、当該現象の予測値を算出する。現象のモデルとしては、数式モデル、数理モデルなどを例示することができる。予測システム100は、特定の現象の過去の実績情報と、当該現象に寄与する因子の過去の実績情報と、当該因子の将来の予定情報と、当該現象のモデルとを用いて、当該現象の予測値を算出してもよい。実績情報に含まれる1以上の情報、予定情報に含まれる1以上の情報、及び、現象の予測値の少なくとも1つは、数値などの定量的データであってもよく、何らかのイベントの発生の有無などの非数値データであってもよく、「多い」又は「少ない」などの定性値データであってもよい。
例えば、ユーザが、ウイルス、微生物又は動植物を育成する場合において、予測システム100は、ウイルス、微生物又は動植物の生育状況を予測する。ウイルス、微生物又は動植物の育成としては、(a)微生物又は植物の栽培、(b)動物の飼育又は養殖、(c)ウイルス、微生物、細胞などの培養、(d)ウイルス、微生物、細胞などの培養による各種物質の生産などを例示することができる。上記の生育状況としては、(a)動植物の生育状況、(b)ウイルス、微生物、細胞などの増殖状況、(c)ウイルス、微生物、細胞などの培養による各種物質の生産状況などを例示することができる。予測システム100は、生育ステージの各段階への到達時期を予測してもよく、収量又は生産量、品質、必要な労働力又は経費、売上、及び、これらの経時変化の少なくとも1つを予測してよい。
センサ102は、予測システム100による予測の対象となる現象、及び、現象に寄与する1種類以上の因子の少なくとも1つを測定する。一実施形態において、センサ102は、測定結果を情報提供サーバ110に送信してよい。測定結果は、特定の期間における各因子の測定値の平均値、最小値及び最大値の少なくとも1つを含んでもよい。例えば、1日の平均気温、最高気温及び最低気温を含んでよい。センサ102は、測定結果を、測定場所の位置情報と対応付けて、情報提供サーバ110に送信してもよい。
センサ102は、測定結果を、測定を実施した時刻又はタイミングを示す情報と対応付けて、情報提供サーバ110に送信してもよい。情報提供サーバ110は、複数のセンサ102の測定結果を対応付けて格納してよい。例えば、特定の現象を測定対象とするセンサ102の測定結果と、当該特定の現象に寄与する1以上の因子を測定対象とする1以上のセンサ102の測定結果とを対応付けて格納する。
センサ102の測定結果は、現象の実績情報、及び、当該現象に寄与する1種類以上の因子の実績情報の少なくとも1つの一例であってよい。実績情報は、時系列データであってよい。測定場所は、現象が起きている位置の一例であってよい。測定を実施した時刻又はタイミングを示す情報は、時間情報の一例であってよい。
測定場所の位置情報は、測定場所の位置座標を示す情報であってもよく、当該測定場所を含む特定のエリアの地理的範囲を示す情報であってもよく、当該エリアに含まれる1以上の位置のそれぞれの位置座標を示す情報であってもよい。位置情報としては、住所情報、GPS情報などを例示することができる。1以上のセンサ102のそれぞれについて、各センサを一意に識別するセンサ識別情報と、各センサの位置又は測定位置を特定する情報とが対応付けられている場合、位置情報は、1以上のセンサ102のそれぞれを一意に識別する識別情報であってもよい。
予測システム100による予測の対象が、ウイルス、微生物又は動植物の生育状況である場合、センサ102は、育成場所の温度、水分、pH、電気伝導度、全炭素、全窒素、アンモニア態窒素、硝酸態窒素、全リンなどの少なくとも1つを測定するためのセンサであってよい。育成場所としては、土壌、培地、栽培容器、養殖場、水槽などを例示することができる。センサ102によるこれらの測定結果は、ウイルス、微生物又は動植物の生育状況に関連する現象の実績情報に対応する、当該現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報の一例であってよい。
センサ102は、育成場所の気温、湿度、日射量、日照時間、風速、降雨量、気圧などの気象情報を測定するためのセンサであってよい。センサ102は、育成場所の室温、水温、湿度、照度、照明の光量、照明の照射時間などの環境情報を測定するためのセンサであってよい。センサ102は、肥料若しくは飼料の供給量、及び、農薬、抗生物質、ホルモン剤などの薬品の散布量の少なくとも一方を測定するためのセンサであってもよい。
センサ102は、育成場所を撮影する撮像素子などの光学センサであってもよい。これにより、例えば、ウイルス、微生物又は動植物の生育状況に関連する現象の情報を取得することができる。
ウイルス、微生物又は動植物の生育状況に関連する現象の情報は、現象の実績情報の一例であってよい。ウイルス、微生物又は動植物の生育状況に関連する現象としては、ウイルス若しくはウイルス株、微生物若しくはその細胞株、又は、動植物若しくはその細胞株の色、形、大きさ及び品質の少なくとも1つの変化、並びに、生育イベントを例示することができる。生育イベントとしては、生育ステージの特定の段階への到達、物理的な損傷の発生、病害虫の発生などを例示することができる。生育ステージの特定の段階としては、出芽、分けつ、幼穂形成、出穂、開花、落花、着果、摘果、傾穂、結球、成熟、完熟などの段階を例示することができる。
本明細書において、「時刻」は、日時に限定されず、日付であってもよい。また、タイミングとしては、生育イベントのような各種イベントが起きたタイミング、特定の作業が実施されたタイミング、育成期間のような特定の期間が経過したタイミングなどを例示することができる。特定の作業としては、播種、移植、水やり、施肥、給餌、薬品散布、収穫、種菌の接種又は種付け、芽出し栽培、ならし栽培、抑制栽培、種卵又は稚魚若しくは家畜の導入などを例示することができる。例えば、情報の入力を簡略化する目的で、現象が起きた時刻又はタイミングは、当該現象に寄与する1種類以上の因子の実績情報が取得された時刻又はタイミングと同一であると見做してもよい。
ユーザ端末104は、情報提供サーバ110と情報を送受することができる装置であればよく、パーソナルコンピュータ、携帯端末などであってよい。携帯端末としては、ノートブック・コンピュータ又はラップトップ・コンピュータ、PDA、タブレット、携帯電話、スマートホン、ウェアラブル端末、無線端末などを例示することができる。ユーザ端末104は、例えば、予測システム100又は情報提供サーバ110により提供されるサービスのユーザにより利用される。
本実施形態において、ユーザ端末104は、ユーザからの入力を受け付ける入力部を有する。ユーザ端末104は、入力部が受け付けた情報を情報提供サーバ110に送信する。また、ユーザ端末104は、情報提供サーバ110が提供する情報を受信して、当該情報をユーザが知覚できるように、出力部から出力する。ユーザ端末104の出力部としては、ディスプレイなどの表示装置音声出力、スピーカなどの音声出力装置などを例示することができる。
ユーザ端末104は、ユーザから、現象の実績情報に関する入力を受け付けてもよく、当該現象が起きている位置を示す位置情報、及び、当該現象が起きた時刻又はタイミングを示す時間情報の少なくとも一方に関する入力を受け付けてもよい。ユーザ端末104は、ユーザから、上記の現象に寄与する1種類以上の因子の少なくとも1つの実績情報に関する入力を受け付けてもよく、当該因子の将来の予定に関する予定情報に関する入力を受け付けてもよい。上記の因子は、予測部142における予測処理に用いられるモデルの説明変数に対応する因子であってよい。
例えば、ユーザは、過去又は当日のセンサ102の測定結果、過去又は当日の気象情報、過去又は当日の作業内容に関する情報などを、実績情報として入力する。また、ユーザは、例えば、収穫適期が到達するまでの凡その育成期間における各日の作業スケジュールに関する情報、気象予報情報、病害虫の発生予察情報などを、予定情報として入力する。
現象に寄与する1種類以上の因子としては、育成日数のような特定の生育イベントが発生してからの時間、周辺環境の温度、周辺環境の湿度、周辺環境の圧力、光の照度、光の照射量、光の照射時間、風速、水分供給量、土壌特性、培地特性、作業内容、作業を実施するタイミングなどを例示することができる。周辺環境の温度としては、気温、水温、土壌又は培地の温度などを例示することができる。周辺環境の湿度としては、大気中の湿度、土壌又は培地の湿度などを例示することができる。周辺環境の圧力としては、気圧、水圧などを例示することができる。土壌特性としては、土壌の物理的特性、土壌の化学的特性、及び、土壌の生物学的特性を例示することができる、培地特性は、土壌特性と同様の特性であってよい。
土壌の物理的特性としては、土壌の構造、有効土層の深さ、水分、立地条件などを例示することができる。土壌の構造としては、土壌を構成する石又は土砂の組成分布及び粒度分布、土壌の透水性、通気性、保水力などを例示することができる。立地条件としては、当該土壌が含まれる土地の傾斜、当該土地の地理的な区分(例えば、山間部、都市部などである。)などを例示することができる。土壌の化学的特性としては、養分の保持力、養分の供給力及び供給量、pHのような土壌反応、土壌に含まれる成分などを例示することができる。土壌の生物学的特性としては、有機物の分解速度、緩衝・解毒作用、生物活性などを例示することができる。
予定情報としては、将来の育成期間に関する情報、将来の作業スケジュールに関する情報、天気予報などの気象予報情報、病害虫の発生予察情報などを例示することができる。将来の育成期間に関する情報としては、将来の日付、日時又はタイミングなどを例示することができる。作業スケジュールは、特定の作業の内容と、当該特定の作業の実施予定日又は実施を予定するタイミングとが対応づけられた情報であってよい。「将来」とは、情報提供サーバ110による予測処理の実行又はユーザによる当該予測処理の要求時を基準とした未来を意味してよい。
本実施形態において、情報提供サーバ110は、センサ102及びユーザ端末104の少なくとも一方から各種の情報を受信する。情報提供サーバ110は、センサ102及びユーザ端末104の少なくとも一方から受信した情報を利用して、現象を予測する。情報提供サーバ110は、センサ102及びユーザ端末104の少なくとも一方から受信した情報に基づいて、特定の現象の予測値を算出してよい。
一実施形態において、情報提供サーバ110は、ウイルス、微生物又は動植物の生育状況を目的変数とし、生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルに基づいて、生育状況を予測する予測段階を実施する。情報提供サーバ110は、センサ102及びユーザ端末104の少なくとも一方が取得した実績情報の少なくとも一部に基づいて、上記のモデルを生成する段階を実施してよい。
情報提供サーバ110は、センサ102及びユーザ端末104の少なくとも一方との間で情報を送受することができる装置であればよく、サーバ、パーソナルコンピュータなどの一般的な構成の情報処理装置であってよい。情報提供サーバ110は、仮想サーバ又はクラウドシステムであってもよい。情報提供サーバ110は、単一のサーバによって実現されてもよく、複数のサーバによって実現されてもよい。
情報提供サーバ110の各部は、ハードウェアにより実現されてもよく、ソフトウエアにより実現されてもよく、ハードウェア及びソフトウエアにより実現されてもよい。情報提供サーバ110の各部は、一般的な構成の情報処理装置において、情報提供サーバ110の各部の動作を規定したソフトウエア又はプログラムを起動することにより実現されてよい。
情報提供サーバ110として用いられる情報処理装置は、CPU等のプロセッサ、ROM、RAM、通信インターフェースなどを有するデータ処理装置と、キーボード、タッチパネル、マイクなどの入力装置と、表示装置、スピーカなどの出力装置と、メモリ、HDDなどの記憶装置とを備えてよい。データ処理装置又は記憶装置は、上記のソフトウエア又はプログラムを記憶してよい。上記のソフトウエア又はプログラムは、プロセッサによって実行されることにより、上記の情報処理装置に、当該ソフトウエア又はプログラムによって規定された動作を実行させる。
取得部122は、センサ102及びユーザ端末104の少なくとも一方から各種の情報を取得する。例えば、取得部122は、センサ102から、センサ102の測定結果を取得する。また、取得部122は、ユーザ端末104から、ユーザが入力した情報を取得する。取得部122は、現象が起きている位置を示す位置情報を取得してもよく、現象が起きた時刻又はタイミングを示す時間情報を取得してもよい。
取得部122は、センサ102及びユーザ端末104の少なくとも一方から取得した情報を、情報格納部124に格納してよい。取得部122は、例えばユーザ端末104から取得した予定情報を予測部142に送信してもよい。
一実施形態において、取得部122は、センサ102及びユーザ端末104の少なくとも一方から、ウイルス、微生物又は動植物の生育状況に関連する特定の現象の実績情報を取得する。取得部122は、上記の特定の現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報を取得する。取得部122は、上記の特定の現象に寄与する少なくとも2つの因子に関する実績情報を取得してもよい。取得部122は、特定の現象の実績情報と、当該特定の現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報とを対応付けて、情報格納部124に格納する。例えば、特定の現象を測定対象とするセンサ102の測定結果と、当該特定の現象に寄与する因子の少なくとも1つに対応する現象を測定対象とする1以上のセンサ102の測定結果とを対応付けて格納する。
他の実施形態において、取得部122は、センサ102及びユーザ端末104の少なくとも一方から、ウイルス、微生物又は動植物の生育状況に関連する複数の現象のそれぞれの実績情報を取得してもよい。また、複数の現象のそれぞれについて、当該現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報を取得してもよい。取得部122は、複数の現象のそれぞれについて、当該現象の実績情報と、当該現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報とを対応付けて、情報格納部124に格納してよい。
情報格納部124は、取得部122が取得した情報を格納する。情報格納部124は、例えば、取得部122が取得した、特定の現象に寄与する1種類以上の因子の少なくとも1つの実績情報と、当該現象に関する位置情報及び時間情報との少なくとも一方とを対応付けて格納する。一実施形態において、情報格納部124は、特定の現象に寄与する1種類以上の因子の少なくとも1つの実績情報と、当該現象に関する位置情報及び時間情報との少なくとも一方とが対応付けられたサンプル情報を格納する。サンプル情報は、少なくとも、取得部122が取得した現象の実績情報と、当該現象に寄与する1種類以上の因子のうちの少なくとも1つの因子の実績情報とが対応付けられた情報であってもよい。
補完部126は、取得部122が取得した現象の実績情報、当該現象に寄与する1種類以上の因子の少なくとも1つの実績情報、及び、予定情報からなる群から選択される少なくとも1つの情報に関する補完処理を実施する。補完処理の具体的な方法は特に制限されるものではないが、一実施形態において、補完部126は、情報格納部124に格納された情報を利用して、補間処理を実施する。他の実施形態において、補完部126は、他の情報処理装置に格納された、気象予報情報、病害虫の発生予察情報、特定の地域の土壌特性に関する情報などを利用して、補間処理を実施する。
一実施形態において、取得部122が取得した情報の中に、特定の現象の実績情報が含まれているにもかかわらず、当該特定の現象の実績情報に対応する、当該特定の現象に寄与する特定の因子に関する実績情報が含まれていない場合がある。例えば、圃場Aで栽培されているレタスに関して、2015年1月22日における直径の情報が含まれているにもかかわらず、圃場Aにおける2015年1月22日の降雨量の情報が含まれていない場合がある。なお、2015年1月22日における圃場Aのレタスの直径の情報は、特定の現象の実績情報の一例であり、圃場Aにおける2015年1月22日の降雨量の情報は、特定の現象に寄与する特定の因子に関する実績情報の一例である。
この場合において、補完部126は、他の現象に寄与する特定の因子に関する実績情報に基づいて、特定の現象の実績情報に対応する、特定の因子に関する実績情報を補完してよい。例えば、補完部126は、圃場Aの近隣に位置する圃場Bで栽培されているキャベツの直径の情報に対応付けられた、圃場Bにおける2015年1月22日の降雨量の情報に基づいて、圃場Aにおける2015年1月22日の降雨量の情報を補完する。より具体的には、例えば、補完部126は、圃場Bにおける2015年1月22日の降雨量を、圃場Aにおける2015年1月22日の降雨量と見做す。なお、圃場Bで栽培されているキャベツの直径の情報は、他の現象の実績情報の一例であり、圃場Bにおける2015年1月22日の降雨量の情報は、他の現象に寄与する特定の因子に関する実績情報の一例であってよい。
補完部126は、他の現象に寄与する特定の因子に関する複数の実績情報に基づいて、特定の現象の実績情報に対応する特定の因子に関する実績情報を補完してもよい。例えば、補完部126は、圃場Aの近隣に位置する圃場B、圃場C及び圃場Dにおける2015年1月22日の降雨量の平均値を、圃場Aにおける2015年1月22日の降雨量と見做す。それぞれの圃場における2015年1月22日の降雨量に、それぞれの圃場と圃場Aと距離に応じた重みを乗じた値を、圃場Aにおける2015年1月22日の降雨量と見做してもよい。
一実施形態において、特定の現象に関するサンプル情報に特定の因子の実績情報が含まれていない場合、補完部126は、まず、情報格納部124を参照して、特定の現象のサンプル情報及び他の現象のサンプル情報の位置情報及び時間情報の少なくとも一方に基づいて、1以上の他の現象のサンプル情報の中から、適切なサンプル情報を抽出し、抽出されたサンプル情報に含まれる特定の因子の実績情報を、補完用のデータとして抽出する。
次に、補完部126は、抽出された実績情報に基づいて、特定の現象に関するサンプル情報の特定の因子の実績情報を補完する。補完部126は、抽出された複数の実績情報を統計処理又は補間処理することにより、特定の因子の特定の実績情報を補完してもよい。特定の現象に関するサンプル情報に特定の因子の実績情報が含まれていない場合は、取得部122が取得した情報の中に、特定の現象に寄与する特定の因子の実績情報が含まれていない場合の一例であってよい。
一実施形態において、補完部126は、特定の現象のサンプル情報及び他の現象のサンプル情報の位置情報に基づいて、近隣の位置で起きた他の現象のサンプル情報に含まれる特定の因子の実績情報を抽出する。他の実施形態において、補完部126は、特定の現象のサンプル情報及び他の現象のサンプル情報の時間情報に基づいて、同一の又は類似する時刻又はタイミングに起きた他の現象のサンプル情報に含まれる特定の因子の実績情報を抽出する。
例えば、予測システム100を用いて、畑Aにおけるレタスの生育状況(例えば、収穫時期及び収穫量である。)を予測する場合を例として、補完部126における補完処理の具体例について説明する。この具体例において、情報格納部124は、複数の畑のそれぞれについて、各畑を一意に識別するID、日付、気温及び作業内容に関する情報が対応付けられた複数のレコードを含むデータテーブルXと、各畑のID、位置情報、栽培品種に関する情報及び土壌特性に関する情報とが対応付けられた複数のレコードを含むデータテーブルYとを格納する。データテーブルX及びデータテーブルYは、サンプル情報の一例であってよい。栽培品種に関する情報は、現在及び過去の栽培品種の履歴に関する情報を含んでもよい。
一実施形態によれば、例えば、データテーブルYの畑Aのレコードにおいて、畑Aの土壌特性に関する情報が欠落している場合、補完部126は、まず、データテーブルYに含まれる他の畑のレコードの中から、各レコードに含まれる位置情報に基づいて、畑Aの近隣の畑のレコードであって、土壌特性に関する情報が含まれるレコードを抽出する。複数のレコードが抽出された場合、補完部126は、抽出された畑のレコードの中から、各レコードに含まれる栽培品種に関する情報に基づいて、レタスを栽培している畑のレコードをさらに抽出してもよい。
次に、補完部126は、抽出されたレコードに含まれる土壌特性に関する情報に基づいて、畑Aの土壌特性に関する情報を決定する。例えば、補完部126は、抽出された土壌特性に関する情報の平均値を、畑Aの土壌特性に関する情報として決定する。補完部126は、抽出された土壌特性に関する情報と、各情報の重み係数とに基づいて、畑Aの土壌特性に関する情報として決定してもよい。例えば、位置が近い畑に関する情報ほど重み係数を大きくしたり、同一の又は類似する品種を栽培している畑に関する情報ほど重み係数を大きくしたりする。
他の実施形態において、例えば、データテーブルXの畑Aのレコードにおいて、畑Aの作業内容に関する情報が欠落している場合、補完部126は、まず、データテーブルX及びデータテーブルYを参照して、各レコードに含まれる日付、栽培品種に関する情報及び位置情報に基づいて、他の畑のレコードの中から、畑Aの近隣の畑であって、レタスを栽培している他の畑のレコードであって、同一の又は類似する日付における作業内容に関する情報が含まれるレコードを抽出する。補完部126は、抽出された作業内容を、畑Aの作業内容として決定する。
他の実施形態において、例えば、データテーブルXの畑Aのレコードにおいて、特定の年月日における気温の情報が欠落している場合、補完部126は、例えば、気象庁のWebサイトを参照して、当該年月日における気温の情報を取得する。補完部126は、取得した気温の情報を、畑Aの気温に関する情報として決定する。
さらに他の実施形態において、補完部126は、1種類以上の因子の種類ごとに予め定められた基準に基づいて定められる基準データを利用して、欠落する情報を補完してよい。予め定められた基準データは、予め定められた値、育成期間に応じて予め定められた値であってよい。予め定められた基準データは、数式モデルであってもよい。例えば、予め定められた基準データは、育成期間を独立変数とする関数に基づいて定められる。
予め定められた基準データは、補完対象となっている因子の他の複数のデータを統計処理又は補間処理することにより定められてもよい。統計処理及び補間処理は、周知の方法又は将来的に開発された任意の方法であってよい。統計処理は、他の複数のデータの基本統計量を算出する処理であってもよく、他の複数のデータから確率モデルを構築し、当該確率モデルにより目的とする基準データを算出する処理であってもよい。補間処理は、1次補間、2次補間、3次補間、ラグランジュ補間、スプライン補間などであってよい。
例えば、特定の1日の気温のデータが欠落している場合、当該特定の日の気温のデータとして、他の複数の日の気温のデータの平均値、中央値、最頻値などの統計値を算出する。他の複数の日は、当該特定の日よりも前の複数の日であってもよく、当該特定の日の前後の複数の日であってもよく、当該特定の日よりも後の複数の日であってもよい。
本実施形態においては、取得部122が取得した情報の中に、特定の因子の実績情報が含まれていない場合について説明した。しかし、補完部126による処理は本実施形態に限定されない。他の実施形態において、取得部122が取得した情報の中に、現象の実績情報、又は、予定情報が含まれていない場合であっても、補完部126は、同様の方法により、欠落したデータを補完することができる。
モデル格納部132は、予測部142において利用される1以上のモデルを格納する。1以上のモデルのそれぞれは、現象を目的変数とし、1種類以上の因子のそれぞれに対応する1以上の説明変数と、1以上の説明変数のそれぞれに対応するパラメータとを用いて目的変数を表した数式モデルであってよい。モデル格納部132は、モデルを利用することができる条件を示す制約条件を、当該モデルと対応づけて格納してもよい。
数式モデルとしては、単変量解析モデル、多変量解析モデル、カーネル多変量解析モデル、一般化線形モデル、ニューラルネットワークモデル、ベイジアンネットワークモデル、深層学習モデルなどを例示することができる。数式モデルは、連続な関数であってもよく、不連続な関数であってもよい。不連続な関数は、例えば、開花、結球などの生育イベントの発生を目的変数とする場合に利用される。
上記の1以上のモデルのうちの少なくとも1つは、ウイルス、微生物又は動植物の生育状況を目的変数とし、前記生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルであってもよい。カーネル関数は、正定値関数及びシグモイドカーネルの少なくとも一方を含んでよい。正定値関数は、ガウスカーネル、多項式カーネル及び生成モデルカーネルからなる群から選択された少なくとも1つの関数を含んでもよい。カーネル関数は、複数の説明関数を有してもよい。カーネル関数は、正則化項を含んでもよい。
カーネル関数を用いたモデルを利用して現象を予測することにより、取得部122が取得した実績情報に外れ値などのノイズが比較的多く含まれている場合であっても、予測精度の低下を抑制することができる。また、カーネル関数が、正定値関数及びシグモイドカーネルの少なくとも一方を含む場合、いわゆるカーネルトリックにより、計算量を大きく削減することができる。そのため、通常の多変量解析モデルを用いた場合には計算量が多くなりすぎて実質的に予測値を算出することが困難な場合であっても、本実施形態によれば予測値を算出することができる。さらに、カーネル関数が正則化項を含んでいる場合、正則化項の正則化パラメータを適切に設定することにより過学習を抑制することができる。その結果、通常の多変量解析モデルなどと比較して、未学習のデータに対する予測精度を向上させることができる。
特に、ウイルス、微生物又は動植物の生育状況に関連する現象は、現象に寄与する因子同士の関係が非常に複雑であり、通常の多変量解析モデルを用いて当該現象を精度よく予測することは非常に困難であった。例えば、複数の因子の全てが予め定められた閾値を超えた場合に特定の現象が発現することがある。そのため、実績データを解析する場合に、重要なデータを外れ値として除外してしまう、現象に影響のある因子を明確に特定することができないなどの問題がある。また、ウイルス、微生物又は動植物の生育状況に関連する現象を予測する場合、ユーザが、例えば、農作業のついでに学習データを入力するので、学習データの質が低い、学習データの質にバラつきが大きいなどの問題がある。
一方、近年、パターン認識の分野において、カーネル法を応用したサポートベクターマシンを用いる試みがなされており、未学習データに対して優れた認識性能を示すことがわかってきた。現在、カーネル法は、サポートベクターマシン以外の用途にはあまり応用されていない。また、パターン認識と、農業、漁業、畜産業などとでは分野が大きく異なる。しかし、本発明者らは、ウイルス、微生物又は動植物の生育状況に関連する現象を予測するモデルに、カーネル法を応用することで、当該現象に特有の上記の問題点を解決することができることを見出した。つまり、ウイルス、微生物又は動植物の生育状況を目的変数とし、前記生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルは、ウイルス、微生物又は動植物の生育状況を予測する予測装置、予測方法及びプログラムの用途に特に適したモデルであることを見出した。
モデル生成部134は、取得部122が取得した実績情報に基づいて、現象の予測に用いられるモデルを生成する。例えば、モデル生成部134は、(a)モデルの数式を決定する段階と、(b)取得部122が取得した、特定の現象に関する実績情報と、当該特定の現象に寄与する1種類以上の因子の少なくとも1つに関する実績情報とを用いて、当該数式に含まれるパラメータとを決定する段階とを実行することで、上記のモデルを生成する。モデル生成部134は、複数のモデルを生成し、生成された複数のモデルの中から、現象に応じて、1つのモデルを選択してもよい。モデル生成部134は、生成したモデルをモデル格納部132に格納してよい。モデル生成部134は、予測に利用するモデルを識別するためのモデル識別情報を、予測部142に送信してよい。
予測部142は、取得部122が取得した実績情報の少なくとも一部と、モデル生成部134が生成したモデルとに基づいて、現象の予測値を算出する。例えば、予測部142は、モデル生成部134が生成したモデルに、取得部122が取得した実績情報と、予定情報とを入力することにより、ウイルス、微生物又は動植物の生育状況を予測する。
予測部142は、取得部122が取得した実績情報の少なくとも一部と、補完部126が補完した実績情報の少なくとも一部及び取得部122が取得した予定情報の少なくとも一部の少なくとも一方と、モデル生成部134が生成したモデルとに基づいて、現象の予測値を算出してもよい。取得部122が取得した実績情報の少なくとも一部、及び、補完部126が補完した実績情報の少なくとも一部は、ウイルス、微生物又は動植物の育成を開始した日後の実績情報であってよい。取得部122が取得した予定情報の少なくとも一部は、将来の任意の期間における予定情報であってよい。
予測部142が、取得部122が取得した実績情報及び補完部126が補完した実績情報の両方を用いて現象の予測値を算出する場合、実績情報のそれぞれに重み係数を乗じた値をモデルに入力してよい。この場合において、取得部122が取得した実績情報の重み係数と、補完部126が補完した実績情報の重み係数とが異なってもよい。他の実施形態において、取得部122が取得した実績情報の一部において、予測部142で利用するモデルの1以上の説明変数に対応する1以上の因子の少なくとも1つに関する情報が欠落している場合、予測部142は、当該実績情報を除いた他の実績情報に基づいて、予測値を算出してもよい。
図2は、モデル生成部134のシステム構成の一例を概略的に示す。本実施形態において、モデル生成部134は、パラメータ決定部232と、モデル決定部234とを備える。パラメータ決定部232及びモデル決定部234は、相互に情報を送受する。
本実施形態において、パラメータ決定部232は、取得部122が取得した実績情報の少なくとも一部を学習データとして、モデルに含まれる1以上のパラメータのそれぞれを決定する。これにより、パラメータ決定部232はモデルを生成する。例えば、パラメータ決定部232は、モデル格納部132に格納されたモデルのパラメータを決定する。パラメータ決定部232は、モデルを構成するカーネル関数の1以上のパラメータのそれぞれを決定してよい。
例えば、パラメータ決定部232は、取得部122が取得した現象の実績情報と、当該現象に寄与する1種類以上の因子のうちの少なくとも1つの因子の実績情報とが対応付けられたサンプル情報のうち、一部の期間における情報を学習データとして、各モデルのパラメータを決定する。現象の実績情報及び因子の実績情報は、例えば、当該実績情報が取得された時刻などに基づいて、対応付けられてよい。
サンプル情報の一部に、必要なデータの欠落した実績情報が含まれる場合、一実施形態において、パラメータ決定部232は、必要なデータの欠落した実績情報を含むサンプル情報を除外して、残りのサンプル情報を用いて、パラメータを決定してよい。他の実施形態において、パラメータ決定部232は、補完部126が上記の欠落したデータを補完したサンプル情報を利用して、パラメータを決定してよい。
パラメータの決定方法は、特に限定されるものではなく、カーネル法又はカーネル多変量解析法における通常の手法を利用することができる。これらの手法は、例えば、赤穂昭太郎、「カーネル多変量解析」第6刷、岩波書店、2014年5月15日に詳述されている。
例えば、パラメータ決定部232は、まず、複数のサンプル情報を解析して、特徴ベクトルを抽出する。次に、抽出された特徴ベクトルに基づいて、カーネル関数を定義する。この場合において、取得部122が取得した実績情報に定性値データが含まれるときには、当該定性値データを適切に表す定量的データを用いて、カーネル関数を定義してよい。次に、定義されたカーネル関数に正則化項を導入して、当該カーネル関数を正則化する。次に、正則化項を含むカーネル関数が複数のサンプル情報に対して最適化されるように、カーネル関数のパラメータを決定する。その後、クロスバリデーション法などによりカーネル関数の汎化能力を評価して、モデルの複雑度を調整する。
本実施形態において、モデル決定部234は、例えばモデル格納部132に格納された1以上のモデルの中から、予測部142における予測値の算出に用いられるモデルを決定する。モデル決定部234は、例えば、モデル格納部132に格納された1以上のモデルのそれぞれについて、パラメータ決定部232が決定した1以上のパラメータを用いて、各モデルの予測精度及び計算時間又は計算効率の少なくとも一方を算出する。モデル決定部234は、算出された予測精度及び計算時間又は計算効率の少なくとも一方に基づいて、予測部142において利用されるモデルを決定する。
一実施形態において、モデル決定部234は、周期的に繰り返される第1のイベントから第2のイベントまでの一連の過程の途中において、モデルの決定処理を実行してよい。これにより、1回の周期における一連の過程の途中で、予測部142において利用されるモデルを変更することができる。その結果、予測精度を向上させることができる。モデル決定部234においてモデルの決定処理を実行するタイミングとしては、予め定められた期間又は時刻が経過したタイミング、予め定められた数の実績情報を取得したタイミング、ユーザによる指示を受信したタイミングなどを例示することができる。
図3は、データテーブル300の一例を概略的に示す。本実施形態において、データテーブル300は、農地ID310と、日付320と、位置情報330と、現象情報340と、因子情報350とを対応付けて格納する。本実施形態において、現象情報340は、生育具合342に関する情報と、生育イベント344に関する情報とを含む。また、因子情報350は、気象情報352と、土壌情報354と、栽培品種356に関する情報と、作業内容358に関する情報とを含む。
データテーブル300は、取得部122により取得され、情報格納部124に格納された情報の一例であってよい。データテーブル300は、サンプル情報の一例であってよい。生育具合342に関する情報、及び、生育イベント344に関する情報は、予測システム100による予測の対象となる現象の実績情報の一例であってよい。気象情報352、土壌情報354、栽培品種356に関する情報、及び、作業内容358に関する情報のそれぞれは、予測システム100による予測の対象となる現象に寄与する1種類以上の因子の少なくとも1つの実績情報の一例であってよい。日付320に関する情報、及び、生育イベント344に関する情報は、時間情報の一例であってよい。生育イベント344は、現象が起きたタイミングの一例であってよい。
次に、実施例及び比較例を用いて、予測システム100の処理について、さらに具体的に示す。実施例及び比較例においては、複数の圃場におけるレタスの直径及び結球の有無に関する定植から収穫までの各日の時系列データと、それぞれの圃場における各種の要因に関する種付けから収穫までの各日の時系列データとが対応付けられた複数のサンプルを用いて、圃場ごとに、レタスの収穫適期までの育成日数の予測値を算出した。また、過去4年間の時系列データ(実績データと称する場合がある。)を用いて、年ごとに上記の処理を実行した。得られた複数の予測値を用いて、予測値の標準偏差を算出した。
実施例及び比較例における予測値の平均誤差及び標準偏差を表1に示す。なお、上記のサンプルは、原則として、毎日、午前中に測定されたデータが入力されているが、一部のデータが欠落していたり、一部のデータが午後に測定されたデータが入力されていたりすることがあった。また、特にレタス、キャベツなどの農作物は、収穫適期を数日すぎると球が割れて破裂してしまい、商品として販売することができない。そのため、例えば、レタスの場合、最終的には、収穫適期の予測誤差を2.5日以下、好ましくは、2日以下(プラス1日、マイナス1日)とすることが望まれている。
[実施例]
カーネル多変量解析により、複数の圃場で栽培しているレタスの直径を目的変数とし、当該圃場の(i)気温、(ii)降水量、(iii)日射量及び(iv)標高を説明変数とするカーネル関数を定義した。当該カーネル関数を正則化して、下記の数式1で示される予測モデルを生成した。また、収穫適期を決定するための閾値を決定した。複数の圃場のそれぞれについて、各年の説明変数に対応する実績データを入力して、各年のレタスの直径の予測結果を算出し、その年のレタスの直径の実績データと比較した。表1に示されるとおり、予測値と実際の収穫日との誤差の平均値は、2.46日であった。また、予測値の標準偏差は1.78日であった。
[数式1]
Y=a1+(b1×T)+(c1×Pr)+(d1×Sh)
数式1において、Yは、各日におけるレタスの直径を示す。Tは、各日における、定植日を決算日として気温を積算した値を示す。Prは、各日における降水量を示す。Shは、各日における日射量を示す。また、a1、b1、c1及びd1は、各説明変数に対応するパラメータである。
カーネル多変量解析により、複数の圃場で栽培しているレタスの直径を目的変数とし、当該圃場の(i)気温、(ii)降水量、(iii)日射量及び(iv)標高を説明変数とするカーネル関数を定義した。当該カーネル関数を正則化して、下記の数式1で示される予測モデルを生成した。また、収穫適期を決定するための閾値を決定した。複数の圃場のそれぞれについて、各年の説明変数に対応する実績データを入力して、各年のレタスの直径の予測結果を算出し、その年のレタスの直径の実績データと比較した。表1に示されるとおり、予測値と実際の収穫日との誤差の平均値は、2.46日であった。また、予測値の標準偏差は1.78日であった。
[数式1]
Y=a1+(b1×T)+(c1×Pr)+(d1×Sh)
数式1において、Yは、各日におけるレタスの直径を示す。Tは、各日における、定植日を決算日として気温を積算した値を示す。Prは、各日における降水量を示す。Shは、各日における日射量を示す。また、a1、b1、c1及びd1は、各説明変数に対応するパラメータである。
気温、降水量及び日射量のデータは、最寄りのアメダス観測所におけるデータを利用した。なお、圃場の標高が既知である場合には、各日の気温のデータを、当該圃場の標高に基づいて補正した。具体的には、圃場の標高が、最寄りのアメダス観測所の標高と比較して50m高くなるごとに、気温が0.325℃低くなるように補正した。
また、上記の各パラメータの値は、過去4年分の実績データを用いて各種のシミュレーションを実施することで決定した。具体的には、まず、多項式カーネルを含むカーネル関数を定義した。次に、過去4年分の実績データの一部を学習データとして、多項式カーネルの各パラメータについて、仮のパラメータ値を決定した。次に、残りの実績データを用いて、仮のパラメータ値を用いた予測モデルの予測精度を算出した。予測モデルの数式を正則化した上で、上記の仮のパラメータ値を決定する工程から予測精度を算出する工程までを、仮のパラメータ値を変えて繰り返すことにより、適切なパラメータ値を算出した。同様にして、収穫適期を決定するための閾値の値を算出した。
本実施例においては、説明変数として日射量を用いた予測モデルを生成した。しかしながら、予測モデルは本実施例に限定されない。予測モデルの他の例として、説明変数として日照時間を用いて予測モデルを生成してもよい。また、本実施例においては、レタスの直径を目的変数として予測モデルを生成した。しかしながら、予測モデルは本実施例に限定されない。予測モデルの他の例として、結球の有無を目的変数とした予測モデルを生成してもよい。
[比較例1]
通常の多変量解析により、複数の圃場で栽培しているレタスの直径を目的変数とし、当該圃場の(i)気温、(ii)降水量、(iii)日射量及び(iv)標高を説明変数とする重回帰モデルを生成した。また、収穫適期を決定するための閾値を決定し、生成された重回帰モデルを予測モデルとして利用した。予測モデルに利用した数式は、下記の数式2のとおりである。表1に示されるとおり、予測値と実際の収穫日との誤差の平均値は、2.62日であった。また、予測値の標準偏差は2.18日であった。なお、実施例の場合と同様、圃場の標高に関する情報を含む実績データについては、当該標高に基づいて気温を補正した。
[数式2]
Y=a2+(b2×T)+(c2×Pr)+(d2×Sh)
数式2において、Yは、各日におけるレタスの直径を示す。Tは、各日における、定植日を決算日として気温を積算した値を示す。Prは、各日における降水量を示す。Shは、各日における日射量を示す。また、a2、b2、c2及びd2は、各説明変数に対応するパラメータである。
[比較例2]
圃場の気温を説明変数とし、定植日を起算日として気温を積算した値が予め定められた値に達した次の日を収穫適期とするモデルを用いて、収穫適期を予測した。表1に示されるとおり、予測値と実際の収穫日との誤差の平均値は、4.08日であった。また、予測値の標準偏差は3.51日であった。なお、実施例の場合と同様、圃場の標高に関する情報を含む実績データについては、当該標高に基づいて気温を補正した。
[比較例1]
通常の多変量解析により、複数の圃場で栽培しているレタスの直径を目的変数とし、当該圃場の(i)気温、(ii)降水量、(iii)日射量及び(iv)標高を説明変数とする重回帰モデルを生成した。また、収穫適期を決定するための閾値を決定し、生成された重回帰モデルを予測モデルとして利用した。予測モデルに利用した数式は、下記の数式2のとおりである。表1に示されるとおり、予測値と実際の収穫日との誤差の平均値は、2.62日であった。また、予測値の標準偏差は2.18日であった。なお、実施例の場合と同様、圃場の標高に関する情報を含む実績データについては、当該標高に基づいて気温を補正した。
[数式2]
Y=a2+(b2×T)+(c2×Pr)+(d2×Sh)
数式2において、Yは、各日におけるレタスの直径を示す。Tは、各日における、定植日を決算日として気温を積算した値を示す。Prは、各日における降水量を示す。Shは、各日における日射量を示す。また、a2、b2、c2及びd2は、各説明変数に対応するパラメータである。
[比較例2]
圃場の気温を説明変数とし、定植日を起算日として気温を積算した値が予め定められた値に達した次の日を収穫適期とするモデルを用いて、収穫適期を予測した。表1に示されるとおり、予測値と実際の収穫日との誤差の平均値は、4.08日であった。また、予測値の標準偏差は3.51日であった。なお、実施例の場合と同様、圃場の標高に関する情報を含む実績データについては、当該標高に基づいて気温を補正した。
表1に示されるとおり、カーネル関数を用いたモデルを利用することで、農作物の生育状況のように、非常に複雑な現象であっても精度よく予測できることがわかる。また、複数の説明関数を有するカーネル多変量解析モデルのような、カーネル関数を用いたモデルは、ウイルス、微生物又は動植物の生育状況に関連する現象を予測する用途に、特に適したモデルであることがわかる。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。また、技術的に矛盾しない範囲において、特定の実施形態について説明した事項を、他の実施形態に適用することができる。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
10 通信回線、100 予測システム、102 センサ、104 ユーザ端末、110 情報提供サーバ、122 取得部、124 情報格納部、126 補完部、132 モデル格納部、134 モデル生成部、142 予測部、232 パラメータ決定部、234 モデル決定部、300 データテーブル、310 農地ID、320 日付、330 位置情報、340 現象情報、342 生育具合、344 生育イベント、350 因子情報、352 気象情報、354 土壌情報、356 栽培品種、358 作業内容
Claims (11)
- ウイルス、微生物又は動植物の生育状況を目的変数とし、前記生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルに基づいて、前記生育状況を予測する予測部を備える、
予測装置。 - 前記カーネル関数は、正定値関数及びシグモイドカーネルの少なくとも一方を含み、
前記正定値関数は、ガウスカーネル、多項式カーネル及び生成モデルカーネルからなる群から選択された少なくとも1つの関数を含む、
請求項1に記載の予測装置。 - 前記カーネル関数は、複数の説明関数を有する、
請求項1又は請求項2に記載の予測装置。 - 前記カーネル関数は、正則化項を含む、
請求項1から請求項3までの何れか一項に記載の予測装置。 - 前記生育状況に関する実績情報を取得する現象情報取得部と、
前記現象情報取得部が取得した前記生育状況に関する実績情報に対応する、前記1種類以上の因子の少なくとも1つに関する実績情報を取得する因子情報取得部と、
前記カーネル関数の説明変数に対応する前記因子の将来の予定に関する予定情報を取得する予定情報取得部と、
をさらに備え、
前記予測部は、前記モデルに、前記現象情報取得部及び前記因子情報取得部が取得した前記実績情報、並びに、前記予定情報取得部が取得した前記予定情報を入力することにより、前記生育状況を予測する、
請求項1から請求項4までの何れか一項に記載の予測装置。 - 前記現象情報取得部及び前記因子情報取得部が取得した前記実績情報に基づいて、前記モデルを生成するモデル生成部をさらに備える、
請求項5に記載の予測装置。 - 前記モデル生成部は、前記現象情報取得部及び前記因子情報取得部が取得した前記実績情報の少なくとも一部を学習データとして、前記カーネル関数の1以上のパラメータのそれぞれを決定するパラメータ決定部を有する、
請求項6に記載の予測装置。 - 前記カーネル関数を用いた1以上のモデルを格納するモデル格納部をさらに備え、
前記パラメータ決定部は、
前記現象情報取得部及び前記因子情報取得部が取得した前記実績情報の少なくとも一部を学習データとして、前記1以上のモデルのそれぞれについて、前記カーネル関数の1以上のパラメータのそれぞれを決定し、
前記モデル生成部は、前記パラメータ決定部が決定した1以上のパラメータを用いた場合の予測精度に基づいて、前記予測部において利用される前記モデルを決定するモデル決定部をさらに有する、
請求項7に記載の予測装置。 - 前記因子情報取得部が取得した実績情報に、前記現象情報取得部が取得した特定の現象の実績情報に対応する特定の因子に関する実績情報が含まれていない場合、前記現象情報取得部が取得した他の現象に寄与する前記特定の因子に関する実績情報に基づいて、前記特定の現象の実績情報に対応する前記特定の因子に関する実績情報を補完する補完部をさらに備える、
請求項5から請求項8までの何れか一項に記載の予測装置。 - ウイルス、微生物又は動植物の生育状況を目的変数とし、前記生育状況に寄与する1種類以上の因子の少なくとも1つを説明変数としたカーネル関数を用いたモデルに基づいて、前記生育状況を予測する予測段階を有する、
予測方法。 - コンピュータを、請求項1から請求項9までの何れか一項の情報処理装置として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015022369A JP2016146046A (ja) | 2015-02-06 | 2015-02-06 | 予測装置、予測方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015022369A JP2016146046A (ja) | 2015-02-06 | 2015-02-06 | 予測装置、予測方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016146046A true JP2016146046A (ja) | 2016-08-12 |
Family
ID=56686292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015022369A Pending JP2016146046A (ja) | 2015-02-06 | 2015-02-06 | 予測装置、予測方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2016146046A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019187372A1 (ja) * | 2018-03-30 | 2019-10-03 | Necソリューションイノベータ株式会社 | 予測システム、モデル生成システム、方法およびプログラム |
KR20200041356A (ko) * | 2017-08-18 | 2020-04-21 | 광저우 엑스에어크래프트 테크놀로지 씨오 엘티디 | 식물 건강 상태 모니터링 방법 및 장치 |
JP2020068033A (ja) * | 2018-10-22 | 2020-04-30 | 国立交通大学 | 農地の土壌状態を予測するモノのインターネットシステム及びモデリング方法 |
CN111275193A (zh) * | 2020-01-15 | 2020-06-12 | 杭州华网信息技术有限公司 | 一种国家电网雷击预测方法 |
JP2020129224A (ja) * | 2019-02-07 | 2020-08-27 | 株式会社インテージ | データ管理システム、データ管理方法、およびデータ管理プログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH078128A (ja) * | 1993-06-25 | 1995-01-13 | Natl Fedelation Of Agricult Coop Assoc | 家畜・家禽飼養管理システム |
JPH08228602A (ja) * | 1995-02-24 | 1996-09-10 | Yasumi Imai | 温度による植物の生育予測、生育管理方法 |
CN104134003A (zh) * | 2014-07-30 | 2014-11-05 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
JP2015023668A (ja) * | 2013-07-18 | 2015-02-02 | 株式会社Nttファシリティーズ | 節電支援システム、及び節電支援装置 |
-
2015
- 2015-02-06 JP JP2015022369A patent/JP2016146046A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH078128A (ja) * | 1993-06-25 | 1995-01-13 | Natl Fedelation Of Agricult Coop Assoc | 家畜・家禽飼養管理システム |
JPH08228602A (ja) * | 1995-02-24 | 1996-09-10 | Yasumi Imai | 温度による植物の生育予測、生育管理方法 |
JP2015023668A (ja) * | 2013-07-18 | 2015-02-02 | 株式会社Nttファシリティーズ | 節電支援システム、及び節電支援装置 |
CN104134003A (zh) * | 2014-07-30 | 2014-11-05 | 中国科学院自动化研究所 | 基于知识与数据共同驱动的作物单产量预测方法 |
Non-Patent Citations (1)
Title |
---|
菊地 大介 外3名: "季節を考慮した農作物の生育予測手法の提案", 日立TO技報, vol. 第18号, JPN6018047190, 20 November 2012 (2012-11-20), JP, pages 6 - 10, ISSN: 0003929772 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200041356A (ko) * | 2017-08-18 | 2020-04-21 | 광저우 엑스에어크래프트 테크놀로지 씨오 엘티디 | 식물 건강 상태 모니터링 방법 및 장치 |
KR102344031B1 (ko) * | 2017-08-18 | 2021-12-28 | 광저우 엑스에어크래프트 테크놀로지 씨오 엘티디 | 식물 건강 상태 모니터링 방법 및 장치 |
WO2019187372A1 (ja) * | 2018-03-30 | 2019-10-03 | Necソリューションイノベータ株式会社 | 予測システム、モデル生成システム、方法およびプログラム |
CN111937084A (zh) * | 2018-03-30 | 2020-11-13 | 日本电气方案创新株式会社 | 预测系统、模型生成系统、方法和程序 |
JPWO2019187372A1 (ja) * | 2018-03-30 | 2021-02-12 | Necソリューションイノベータ株式会社 | 予測システム、モデル生成システム、方法およびプログラム |
JP7007027B2 (ja) | 2018-03-30 | 2022-01-24 | Necソリューションイノベータ株式会社 | 予測システム、モデル生成システム、方法およびプログラム |
JP2020068033A (ja) * | 2018-10-22 | 2020-04-30 | 国立交通大学 | 農地の土壌状態を予測するモノのインターネットシステム及びモデリング方法 |
JP2020129224A (ja) * | 2019-02-07 | 2020-08-27 | 株式会社インテージ | データ管理システム、データ管理方法、およびデータ管理プログラム |
CN111275193A (zh) * | 2020-01-15 | 2020-06-12 | 杭州华网信息技术有限公司 | 一种国家电网雷击预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6580334B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
Ali et al. | Application of smart techniques, internet of things and data mining for resource use efficient and sustainable crop production | |
US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
Na et al. | Developing a human-centric agricultural model in the IoT environment | |
US20200250593A1 (en) | Yield estimation in the cultivation of crop plants | |
US20140067745A1 (en) | Targeted agricultural recommendation system | |
Khanh et al. | Future of smart agriculture techniques and applications | |
US10990875B2 (en) | Neural network forecasting for tiered hydroponic natural farming configurations | |
JP2016146046A (ja) | 予測装置、予測方法及びプログラム | |
Bhardwaj et al. | Artificial intelligence and its applications in agriculture with the future of smart agriculture techniques | |
Rani et al. | Green smart farming techniques and sustainable agriculture: Research roadmap towards organic farming for imperishable agricultural products | |
Dawn et al. | Implementation of Artificial Intelligence, Machine Learning, and Internet of Things (IoT) in revolutionizing Agriculture: A review on recent trends and challenges | |
CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
CN110929917A (zh) | 一种农业土地作物最优化管理系统 | |
Lakshmi et al. | Analysing agricultural information through machine learning and artificial intelligence for SMART IRRIGATION | |
CN112416220B (zh) | 一种用于更新植物生长状态的方法与设备 | |
Rhoads | Next-Generation Precision Farming Integrating AI and IoT in Crop Management Systems | |
Venkatachalam et al. | Future IoT Applications using Artificial Intelligence-based Sensors: Agriculture | |
Medida et al. | Predictive Analytics for High-Tech Agriculture | |
Patel et al. | Analyzing The Effect Of Climate Change on Crop Yield Over Time Using Machine Learning Techniques | |
Rajendiran et al. | IoT-Integrated Machine Learning-Based Automated Precision Agriculture-Indoor Farming Techniques | |
Wang et al. | The application of the internet of things technology in apple production | |
Bhadouria et al. | Performance Analysis of Internet of Things Enabled WSN for Agriculture | |
Aharari et al. | Development of IoT-based smart agriculture monitoring system for red radish plants production | |
Akomaye et al. | Importance of Smart Farming Practices for Sustainable Agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181204 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190702 |